上下文表示是理解自然语言的关键,相同的单词、短语和局部单词序列在不同的上下文表示下会具有截然不同的含义。在自然语言处理任务中,大多数研究工作拼接Bi LSTM（Bidirectional Long Short-Term Memory Network,Bi LSTM）的前向输出与后向输出作为上下文表示。由于句子作为单词序列输入的特点,全局信息仅包含于Bi LSTM建模的第一个位置与最后一个位置。对于情感分析、机器翻译等仅使用最后一个位置信息的任务,命名实体任务需要使用每个位置对应的上下文信息去预测其对应的类别。如果使用缺乏整体句意的上下文表示进行分类,会导致预测时出现异或限制,而此种限制并不能通增加模型复杂度的方式解决。现阶段关于命名实体任务的研究工作大多采用融合条件随机场（Conditional Radom Field,CRF）与神经网络的方式来学习标签间的转移矩阵。但这种方式存在以下问题:（1）受限于马尔可夫假设,CRF并不能很好地利用神经网络中的长距离依赖信息;（2）由于CRF的训练时间复杂度较高,不适用于大数据场景,并且推理阶段使用维特比算法会限制其并行性。学习数据集中标签的向量表示,可以通过衡量标签向量的信息分布与提取到的信息分布之间距离显著提高模型分类准确率。此外由于每个位置的上下文信息与其对应的标签信息有着强相关性,可以通过每个位置标签信息优化上下文信息。据此,本文采用联合学习标签表示与上下文表示的思想,提出两种动态生成每个位置上下文表示的方法,以及代替CRF的标签向量分类方法:1.语言成分的动态上下文机制,此方法包括两部分:（1）概率门函数。基于概率成分角度,即:每个位置的标签信息是由标签信息空间中的属性按比例融合。为每个位置生成其对应的标签信息;（2）语言成分函数。以语言学角度出发,生成每个位置语义表示的前向全局信息、后向全局信息以及本地信息的成分占比。2.基于注意力的动态上下文机制,此方法有着同样的宏观结构:（1）余弦距离函数。以向量间的余弦距离为切入点,将标签信息空间中的向量与每个位置的上下文信息之间的余弦距离作为融合权重,得到每个位置的标签信息;（2）自注意力函数。不同于语言成分函数为每个位置生成全局语义的成分比例,自注意力方法基于整个上下文信息空间与标签信息空间,直接动态为每个位置生成全局信息表示。3.标签向量分类机制:融合每个位置对应的标签信息、上下文的位置信息生成每个位置对应的标签分数进行分类。实验结果表明,本文提出联合学习标签表示与上下表示的方法,不仅可以学习到有效的标签表示,并且可以很好地解决Bi LSTM在命名实体任务建模上的异或问题,同时基于此的标签表示分类层在分类效率与F1值上都优于CRF方法。